智能家居对人类行为的潜在影响：一种强化学习方法

我们旨在研究智能家居对人类行为的潜在影响。为此，我们模拟了一系列能够在基于强化学习的智能家居中执行各种活动的人类模型。然后我们探究了由于智能家居与人类模型相互适应，人类行为发生改变的可能性。我们设计了一个基于分层强化学习的半马尔可夫决策过程人类任务交错模型，该模型学习决策以继续或离开某项活动。随后我们将基于 Q-learning 的人类模型集成到智能家居中。我们表明，在通用人类模型上训练的智能家居能够预测并学习具有与通用模型相似内在奖励的人类模型的热偏好。分层人类模型学会完成每项活动并为最大舒适度设定最优热设置。借助智能家居，人类模型改变热设置所需的时间步数减少了。有趣的是，我们观察到人类模型奖励结构的微小变化可能导致相反的行为，表现为活动间意想不到的切换，这标志着由于智能家居的存在人类行为发生了变化。